CAD&CG GDC 2018 专题研讨
图形学与人工智能专题研讨会
召集人:程明明教授(南开大学)
研讨会介绍:

传统图形学技术关注从三维模型到真实感图像的绘制过程以及人与计算机的交互过程。传统人工智能与计算机视觉技术关注从真实图像中获取场景物体的三维结构、语义标签等信息。近年来,随着互联网图像大数据、深度学习、以及新的采集设备的兴起,计算机图形学和计算机视觉逐渐走向交融。一方面,通过对图像、视频、三维模型等素材的自动语义理解,人机交互的手段可以更加丰富和智能。另一方面,真实感绘制也为光流计算、语义分割等计算机视觉任务提供了丰富的学习素材和比较基准。此外,增强学习等人工智能技术,也在流体渲染等传统图形学领域发挥了巨大作用。在本次专题研讨会中,我们将介绍相关领域的最新进展。最后通过设置专题讨论环节,共同探讨图形学与人工智能发生思想碰撞的可能产生的新技术,新方法。

报告题目:弱监督图像语义分割

赵耀

北京交通大学信息科学研究所所长

报告摘要: 为减少像素级标注的巨大负担,近年来提出了许多弱监督语义分割技术。随着深度卷积神经网络的进步,物体语义分割技术取得了显著的进步。本报告将重点介绍课题组在基于深度学习的弱监督语义分割方面的部分研究成果。

讲者简介: 赵耀,长江学者特聘教授、国家杰出青年科学基金获得者、万人计划科技创新领军人才、科技部重点领域创新团队带头人。现任北京交通大学信息科学研究所所长,“现代信息科学与网络技术”北京市重点实验室主任。研究领域为数字媒体信息处理与智能分析,包括图像、视频压缩,数媒体内容安全,媒体内容分析与理解,人工智能等。主持了973计划、863计划等课题30余项。在包括IEEE Trans.等国内外期刊、会议上发表论文200余篇。作为第一完成人获北京市科学技术奖一等奖等省部级奖励3项。指导的博士生5人获北京市和中国计算机学会优秀博士论文奖。主持的《多媒体技术应用》课程获选网络教育国家精品课程,获北京市高等教育教学成果一等奖。被遴选为IEEE Senior Member、 IET Fellow,并受邀担任了 IEEE Transactions on Cybernetics、IEEE Signal Processing Letters等多个国际杂志编委。曾获霍英东青年教师基金奖,詹天佑铁道科技奖青年奖,北京市五四奖章等荣誉称号,他是国务院学科评议组成员,享受国务院政府特殊津贴。

报告题目:非“视”不可 – 当前科学可视化的挑战和机遇

袁晓如

北京大学信息科学与技术学院研究员

报告摘要: 在可视化各个研究分支中,科学可视化是最早得到重视和充分发展的方向。从微观尺度的生物分子影像分析,到宏观的宇宙演化形成,到剧烈变化的气动力学模拟,各种科学和工程的计算分析都需要高效的科学可视化的支持,可视化成为科学家不可或缺的工具和助手。当前,计算能力的提高,特别是E级超级计算机的出现,以及数据获取能力的飞跃为可视化带来了更加具有挑战性的课题。本报告将关注当前科学数据可视化中的主要问题,从数据管理、任务分配、特征分析等多个层面,探讨大规模复杂科学可视化面临的挑战和机遇。

讲者简介: 袁晓如,北京大学信息科学与技术学院研究员,博士生导师,机器感知与智能教育部重点实验室副主任,大数据分析与应用国家工程实验室常务副主任。2008年初在北京大学建立可视化与可视分析实验室,研究方向包括复杂流场数据可视化,高维/时空数据,交通、社会媒体数据的分析,可视化的快速构建方法。高动态范围可视化的工作获得2005年IEEE VIS大会最佳应用论文奖。2013年来指导实验室团队7次在IEEE VAST可视化分析挑战赛中获奖。和天津、济南、阿贡等国内外超算中心合作,面向科学领域应用发展了大规模流场数据的高效管理和分析方法。数十次担任IEEE VIS, EuroVis, IEEE PacificVis等国际可视化会议程序委员会委员,2017年 IEEE VIS大会论文共同主席(SciVis),创建中国可视化与可视分析(ChinaVis)大会。中国计算机学会理事,杰出会员,杰出讲者。中国计算机学会大数据专家委员会委员,人机交互专委会常委委员和计算机辅助设计与图形学专委会委员。中国图象图形学学会理事、可视化与可视分析专业委员会主任。

报告题目:智能媒体计算-当图形学遇上视觉

程明明

南开大学教授

报告摘要: 传统图形学技术关注从三维模型到真实感图像的绘制过程以及人与计算机的交互过程。传统计算机视觉技术关注从真实图像中获取物体的三维结构、语义标签等信息。近年来,随着互联网图像大数据、深度学习、以及新的采集设备的兴起,计算机图形学和计算机视觉逐渐走向交融。这个报告将通过两个领域共同关注的话题为导引,探讨图形学和计算机视觉的融合与相互促进过程中所产生的机遇和挑战。

讲者简介: 程明明,2012年博士毕业于清华大学,之后在英国牛津从事计算机视觉研究,并于2014年回国任教,现为南开大学教授,国家“万人计划”青年拔尖人才,首批天津市杰出青年基金获得者。其主要研究方向包括:计算机图形学、计算机视觉、图像处理等。已在IEEE PAMI, ACM TOG等CCF-A类国际会议及期刊发表论文30余篇。相关研究成果论文他引9000余次,最高单篇他引2000余次。其研究成果在华为、腾讯等公司的旗舰产品中得以应用。其中,显著性物体检测技术被华为Mate 10等旗舰手机作为亮点特性,于产品发布会中展示。其研究工作曾被英国《BBC》、德国《明镜周刊》、美国《赫芬顿邮报》等权威国际媒体撰文报道。

报告题目:面向三维数据的深度点卷积神经网络PointCNN

李扬彦

山东大学教授

报告摘要: 近年来,基于图片的视觉任务取得了突破性进展,极大提高了计算机理解现实世界的能力。可以预见,结合三维数据,视觉系统能够更有效地理解现实世界,进而更准确地交互和操作。深度学习是近年来图片理解取得突破性进展的核心技术,也被认为有巨大的潜力适用于处理三维数据。然而,三维数据具有非常不同于图片数据的结构特征,将适用于处理图片数据的深度神经网络拓展并用于处理三维数据的尝试并不成功。本报告将回顾近年来三维深度学习方面的进展,并重点介绍我们提出的在多项标准数据集和任务上刷新世界纪录的点卷积神经网络PointCNN。

讲者简介: 李扬彦,博士,2013年获得中国科学院大学博士学位,之后先后赴美国斯坦福大学和以色列特拉维夫大学从事博士后研究工作,2016年底入选山东大学“齐鲁青年学者”特聘教授加入山东大学计算机科学与技术学院,2018年6月加入阿里巴巴AI Lab任高级算法专家,自动驾驶点云感知技术负责人。研究方向为计算机图形学和计算机视觉,主要研究基于点云以及图片的三维视觉问题,研究成果发表于ACM SIGGRAPH(Asia)、IEEE ICCV和IEEE NIPS等计算机图形学和计算机视觉相关领域的顶级国际会议,受到学术界和工业界的广泛关注。

报告题目:利用人工智能技术辅助解决图形学问题的初步探索

胡瑞珍

深圳大学计算机与软件学院助理教授

报告摘要: 人工智能技术的高速发展为解决传统的图形学问题提供了更多的可能性,但是在利用人工智能技术辅助解决图形学问题的时候,经常碰到的一个难点是图形学问题的复杂度相对较高而可获取的训练数据却相对较少,使得难以直接训练出一个准确度高的端到端的网络。为了克服这一难点,本次报告主要提出了两种初步的解决思路:1)将复杂问题分解成多个简化的子问题并分别求解;2)通过自学习的方式扩充数据集以减少对人为标定数据的需求,并将分别以三维物体的多功能性识别问题和语义重建问题进行举例说明。

讲者简介: 胡瑞珍,博士,深圳大学计算机与软件学院助理教授,中科协”青年人才托举工程”(2017-2019)入选者,深圳市海外高层次孔雀人才,深圳市南山区领航人才。2015年6月毕业于浙江大学数学系,取得理学博士学位,并获浙江省优秀毕业研究生称号。攻读博士学位期间,获国家留学基金委资助访问加拿大西蒙弗雷泽大学两年。研究方向为计算机图形学,特别是高层次形状分析、几何处理和模型制造。近些年的主要学术成果均发表在本领域国际顶级会议和期刊,研究课题连贯性强,已初步形成个人研究特色。截止目前,共发表16篇高水平论文,其中9篇发表在计算机图形学顶级会议/期刊ACM SIGGRAPH/ SIGGRAPH ASIA/TOG。担任The Visual Computer编委,Eurographics 2018, SIGGRAPH Asia Techinical Brief & Poster 2017, CAD/Graphics 2017, CVM 2017, ICVRV 2017, SIGGRAPH Asia Workshop 2016等国际会议程序委员会成员。

报告题目:基于增强学习的可控流固耦合场景物体运动

任博

南开大学讲师

报告摘要: AI as a powerful tool is widely used in various scientific and manufactory areas. In this report we will introduce a novel strategy that combines reinforcement learning with fluid simulation in computer graphics, and briefly talk about the potential of machine learning in graphics physically-based animation. We present a learning-based method to control a coupled system involving both fluid and rigid bodies. Our approach influences fluid/rigid simulator’s behavior purely at the simulation domain boundaries, leaving the rest of the domain to be governed exactly by physical laws. Compared with controllers using virtual artificial forces, our generated animations achieve higher physical accuracy and visual plausibility. To solve the challenging control problem, we represent our controller using a general neural-net which is trained using deep reinforcement learning. This breaks the control task into two stages: an computationally costly training stage, and an efficient generating stage. After training, the controlled fluid animations are generated in real-time on a desktop machine by evaluating the neural net. We utilize many fluid properties, e.g. the liquid’s velocity field or the smoke’s density field, to enhance the controller’s performance. We have evaluated our method on a set of complex benchmarks, where our controller drives a fluid jet to move on the domain boundary and shoot fluids towards a rigid body to accomplish a set of challenging tasks such as keeping a rigid body balanced, a two-player pingpong game, and driving a rigid body to hit a specified point on the wall.

讲者简介: 任博,于2015年于清华大学计算机科学与技术系获得工学博士学位。2015年7月至今于南开大学计算机科学与信息安全系担任讲师职位。主要研究领域与兴趣为计算机图形学中的真实感模拟、渲染方向,以及三维模型处理方向。

深度学习专题研讨会
召集人:苏志勋教授、刘日升副教授(大连理工大学)
研讨会介绍:

近年来,深度学习在机器学习、计算机视觉、多媒体和图形学领域都取得了巨大成功,本次专题研讨邀请到了在相关领域的多位优秀学者,分别针对深度学习理论分析与可解释性,基于深度学习的高维数据分析、视觉分析以及三维场景建模等相关领域的研究热点进行深入介绍,并对未来的发展方向进行充分探讨。

报告题目:Exclusivity Regularized Learning

郭晓杰

天津大学副教授

报告摘要:This talk will concentrate on a structure concept, called exclusivity,which can be roughly interpreted as: different individuals (features/layers/components) are exclusive to each other in some domains. Based on this concept, I will show its power in (both shallow and deep) classifier construction and multi-view clustering strategy design. Besides, a variant of exclusivity, say mutuality, and its application on image processing will be introduced as well.

讲者简介: 郭晓杰,天津大学长聘副教授(associate professor with tenure)、博导、"北洋青年科学家"。他的主要研究领域包括计算机视觉和机器学习,已在相关领域顶级期刊会议发表55+篇论文。他曾于2010年获得国际模式识别协会最佳学生论文。他担任IEEE Access副主编、多个顶级会议(ICCV, CVPR, ACM MM, AAAI, NIPS等)的程序委员会成员,担任多个顶级期刊(IEEE TPAMI, TIP, TMM, TGRS, PR, CVIU等)审稿人、担任国家自然科学基金评审。他是中国图象图形学会-图象视频通信专委会委员以及IEEE/ACM/CCF会员。

报告题目:用于三维场景理解的深度学习方法

郭裕兰

国防科技大学讲师

报告摘要:得益于三维数据传感器的快速发展,三维视觉在近年来得到了广泛的关注。相比于二维图像,三维点云包含了更加丰富的几何、形状和结构信息,从而为场景理解提供了更多可能。三维场景理解在自动驾驶、机器人、虚拟现实/增强现实以及遥感等领域都有大量的应用。本报告将介绍研究组在双目深度估计、三维目标识别以及三维场景标注等方向所开展的深度学习方法研究。

讲者简介:郭裕兰,现任职于国防科技大学电子科学学院,并在“博新计划”支持下于中科院计算所开展研究。2015年于国防科学技术大学获工学博士学位,2011年11月至2014年11月于澳大利亚西澳大学从事访问研究。主要研究兴趣包括三维点云特征学习、三维目标识别、三维场景重建及视觉目标跟踪等基础理论及应用研究。目前已在IEEE TPAMI、IJCV和CVPR等国际期刊和会议上发表学术论文50余篇,其中ESI高被引论文4篇,论文被引用1200余次,合著英文书1部。目前担任中国计算机学会计算机视觉专委委员,中国自动化学会模式识别与机器智能专委委员,中国人工智能学会模式识别专委委员,中国图象图形学学会机器视觉专委委员,VALSE在线组织委员会委员。曾担任IJCAI和AAAI等A类国际会议的程序委员会委员,IEEE TPAMI和IJCV等30余个知名国际期刊的审理人,并在CVPR2016组织Tutorial一次。曾分别获国防科技大学、全军及中国人工智能学会优秀博士学位论文奖。指导研究生获得2016年第十一届中国研究生电子设计竞赛第一名暨特等奖。

报告题目:Geometric View to Deep Learning

雷娜

大连理工大学教授

报告摘要:In this talk, we introduce geometric interpretation to the fundamental principles of deep learning. The manifold distribution law and the cluster distribution law are the fundamental reasons for the success of DL. Therefore, the major tasks for DL are extracting the manifold structure from the training data, and probability distribution transformation. The concept of rectified linear complexity of a ReLU DNN is introduced to describe the learning capability of the DNN, the upper bound of the complexity is given. The concept of rectified linear complexity of a manifold is introduced as well, which represents the difficulty of the manifold to be learned. Then we can show for any ReLU DNN, there exists a manifold that cannot be learned by the network. The geometric theory for optimal transportation is introduced, which shows the probability transformation and Wasserstein distance computation can be reduced to a geometric convex optimization problem. Then we show the competition between the Generator and the Discriminator in WGAN model is unnecessary, the two DNN are redundant. We propose to use the transparent OMT model to partially replace the black-box in DNN. Experimental results demonstrate the efficiency and efficacy of the proposed model.

讲者简介:雷娜,吉林大学计算机代数博士,目前任职于大连理工大学国际信息与软件学院教授、博士生导师。主要从事计算机代数及其在计算机图形学中的应用等方面的研究。主持和参加了多项科研项目,于国内外学术刊物发表论文十余篇,并参与编写教材。指导硕士研究生9人。

报告题目:From Model Optimization to Interpretable and Collaborative Deep Learning

刘日升

大连理工大学副教授

报告摘要:Model optimization plays the key role in many learning and vision tasks. However, designing numerical schemes always need high mathematical skills and rich domain knowledge. Moreover, how to apply the generally designed iterations in specific real-world scenario is always a challenging problem. In this talk, we introduce a series of paradigms to design task-specific optimization schemes based on (inexact) learnable architectures. The theoretical properties of these deeply trained propagations are carefully investigated. We demonstrate that we actually provide a new way to establish interpretable and collaborative deep learning models for different real-world applications. Some insights (e.g., the comparison to adversarial mechanism in GAN) will also be covered.

讲者简介:刘日升,大连理工大学计算数学博士,香港理工大学计算科学博士后。目前任职于大连理工大学国际信息与软件学院副教授、博士生导师。曾于2010-2012在美国卡内基梅隆大学、2016-2017在香港理工大学从事研究工作。近年来在TPAMI、TNNLS、TIP、TMM等期刊和CVPR、NIPS、IJCAI、AAAI、ACM MM、ECCV、CIKM、ICDM、ACCV等会议发表论文70余篇。相关工作被引用超过1900次,H-index为14,最高单篇引用超过560次。获得ICME 2014和2015年最佳学生论文奖,VALSE 2018最受关注论文奖,ICME 2017最佳论文Finalist(两篇,Top 3%),ICIP2015最佳10%论文,ICIMCS 2017最佳论文提名,IEEE智能计算亮点论文(Publication Spotlight)等。获得教育部自然科学二等奖1项、辽宁省自然科学二等奖1项。入选“香江学者”、大连市“青年科技之星”、ACM新星奖(大连Chapter)、大连理工大学“星海优青”。担任The Visual Computer、IET Image Processing和Journal of Electronic Imaging编委,AAAI 2019高级程序委员(SPC)等。

报告题目:基于深度学习的高维数据聚类

彭玺

四川大学研究员

报告摘要:聚类分析的一个核心挑战是高维数据聚类。由于高维数据往往位于非欧空间,这使得k-means等基于欧氏距离的方法不能有效地描述数据间的相似性,从而揭示数据潜在的真实结构,获得正确的聚类结果。为解决这一问题,近年来的研究主要集中在如何通过学习的方法将输入数据投影到另外一个空间,在该空间数据是线性可分的。换言之,高维数据聚类分析的关键在于表示学习。在本次报告中,报告人将介绍一些基于深度表示学习的聚类研究,特别是,报告人及合作者近期提出的两个深度聚类算法。具体地,为提高自编码机的性能,我们提出了一种结构化自编码机,其不仅要求自编码机编码层的输出是紧致的(局部性),同时保留了数据在输入空间的结构化信息(全局性),从而能学到更好的表示用以数据聚类。此外,我们提出了一种新的数据-聚类中心不变性假设:给定一个数据x,其在流形上与一组簇中心Ω之间的条件概率对不同的度量测度是不变的。换言之,在流形上,给定Ω的情况下,x的聚类隶属关系不随所采用的距离测度变化。基于该假设,我们提出了一个端到端进行表示学习和聚类的神经网络。

讲者简介:彭玺,于2013年12月在四川大学计算机学院获得博士学位;2014年至2017年在新加坡科技局资讯通信研究院任研究员(Scientist)和联合项目主管(CO-Principal Investigator,CO-PI);2017年被四川大学引进任研究员。彭玺博士是 IEEE Access的副主编、IEEE Trans Neural Netw Learn Syst等3个国际SCI期刊客座编委;是IJCAI,AAAI,NIPS等多个国内外学术会议的领域主席、分会主席、注册主席、专题报告组织主席、程序委员会委员;受邀在ECCV等国际顶级/重要会议做专题报告和讲习班报告。彭玺的主要研究方向是机器智能、神经网络、聚类、无监督表示学习及可微编程,共计在IEEE汇刊和中国计算机学会A类会议等国际SCI期刊/会议上发表论文30余篇。

报告题目:从局部把握全局,一种新的对抗学习方式

谭明奎

华南理工大学教授

报告摘要:生成对抗网络(GANs)能够从某个先验分布(例如高斯噪声)生成真实的数据。然而,这种先验分布通常独立于真实数据分布,因此可能丢失数据的语义信息(例如图像中的几何结构或内容)。在实验中,语义信息可以从数据中学习到的隐分布来表示,然而,这很难用于GAN中的采样。近期,我们团队提出一种基于局部坐标编码的对抗学习,通过一种基于局部坐标编码(LCC)的采样方法来提升GAN的性能,而不是从预定义的先验分布中采样。我们理论分析了LCC-GANs的泛化界限,并证明一个低维的输入足以实现良好的泛化性能。在实验中,我们在多个数据集上证明了该方法的有效性。该工作已经被ICML 2018接收。

讲者简介:谭明奎,现担任华南理工大学软件学院教授、博导,并担任华南理工大学计算中心主任,中组部青年千人计划获得者,广东省“珠江人才团队”第一核心成员。谭明奎教授分别在2006年和2009年于湖南大学获得环境工程学士和模式识别与智能系统硕士学位,于2014年在南洋理工大学获得计算机科学博士学位,并于2016年在澳大利亚阿德莱德大学完成计算机视觉博士后研究。目前主要研究方向为机器学习算法与理论、机器视觉,已在相关方向发表近50篇高水平学术论文。

报告题目:Toward Flexible and Practical Image Restoration

左旺孟

哈尔滨工业大学教授

报告摘要:随着以卷积神经网络为代表的深度学习技术在图像去噪和超分辨等任务中的巨大成功,国内外学者开始尝试将卷积神经网络技术应用于更为通用和实际的图像复原问题。报告将针对这一发展趋势,介绍我们基于最大化后验概率模型改善CNN网络的便捷能力,以及结合退化模型建模和模型估计网络解决真实图像盲去噪方面的一些尝试。

讲者简介:左旺孟,哈尔滨工业大学计算机学院教授、博士生导师。主要从事图像增强与复原、物体检测与目标跟踪、图像与视频分类等方面的研究。在CVPR/ICCV/ECCV等顶级会议和T-PAMI、IJCV及IEEE Trans.等期刊上发表论文70余篇。

几何优化专题研讨会
召集人:张举勇副教授(中国科学技术大学)
研讨会介绍:

在整个数字几何处理流程中,包含多个处理步骤,如点云注册、曲面重建、网格去噪、高质量网格生成、网格变形、形状分析、物理模拟与加工等。以上诸多问题可转换为最小化相应的目标函数,同时一些几何与物理材料约束可表达为优化问题的软约束或硬约束。如何使用现有的数值优化算法或者设计更加高效的算法进行求解是我们通常面临的问题。在本次研讨会中,我们首先介绍相关的数值优化算法基础,然后介绍数字几何处理中的常见问题与相应的高效优化算法,最后介绍如何采用深度学习等工具进行高效的求解。

来煜坤

Senior Lecturer of Cardiff University

讲者简介:Dr Yu-Kun Lai is a Senior Lecturer at Visual Computing group, School of Computer Science & Informatics, Cardiff University, UK. He obtained his bachelor’s and PhD degrees from Tsinghua University in 2003 and 2008, respectively. His PhD thesis received the National Excellent Doctoral Dissertation of China Award. He joined Cardiff University in 2009 as a lecturer. He has been working on broad areas of Visual Computing, including Computer Graphics, Geometric Processing, Image Processing and Computer Vision. His research has been supported by EPSRC, Royal Society and industry. He has published 50 papers in world-class journals, including ACM Trans. Graphics, IEEE Trans. Visualization and Computer Graphics, IEEE Trans. Image Processing etc. He is on the editorial board of The Visual Computer, conference co-chair of SGP 2014 and CVM 2016, and on the programme committee of a number of major international conferences.

邓柏林

Lecturer of Cardiff University

讲者简介:Bailin Deng is a lecturer at the School of Computer Science and Informatics of Cardiff University. His main research interest is in geometry processing techniques and computational design tools, especially in the context of freeform architectural design and digital fabrication. Previously he was a lecturer in the School of Engineering and Computer Science at University of Hull (2015-2017), and a postdoctoral researcher in the Computer Graphics and Geometry Laboratory at EPFL (2012-2015). He obtained his PhD degree in mathematics from Vienna University of Technology in 20111, and holds a master’s degree in computer science and a bachelor’s degree in computer software from Tsinghua University.

辛士庆

山东大学副教授

讲者简介:辛士庆,博士,现为山东大学计算机科学与技术学院的预聘制副教授,主要研究方向为面向人工智能和机器人领域的几何计算、几何处理和几何建模。辛博士围绕离散测地线、质心Power图和Voronoi图等几何计算中的核心问题展开系统性的基础理论和应用研究,取得了许多突破性的理论研究成果,并创新性地应用于几何处理和几何建模,解决了若干有重要应用价值的实际问题。主持国家自然科学基金委项目2项,共发表论文60余篇,其中中国计算机学会CCF推荐A类文章12篇,B类论文20余篇,获得了SPM2014和SPM2017的最佳论文奖(排名第一)、2010年陆增镛CAD&CG高科技奖三等奖和2010年浙江省高校优秀科研成果奖二等奖等。另有一篇文章的插图登上了SIGGRAPH2011会议论文集的封面。

傅孝明

中国科学技术大学副研究员

讲者简介:傅孝明,中国科学技术大学数学学院副研究员,2011年本科毕业于中国科学技术大学自动化专业,2016年6月在中国科学技术大学自动化系获得博士学位。自2012年起,傅孝明一直从事计算机图形学与数字几何处理方面的研究,主要是网格生成、映射计算及其在VR中的应用。在各向异性网格生成、几何映射计算、VR实际行走等方面取得了一定的成果,相关论文均发表在计算机图形学领域的重要国际期刊和会议上,包括SIGGRAPH、SIGGRAPH Asia、TVCG等。

张举勇

中国科学技术大学副教授

讲者简介:张举勇,中国科学技术大学副教授。2006年于中国科学技术大学计算机系获得学士学位,2011年于新加坡南洋理工大学计算机工程学院获得博士学位。2011年至2012年于瑞士联邦理工学院洛桑分校从事博士后研究,2012年至今工作于中国科学技术大学数学科学学院。2018年获新加坡Tan Chin Tuan Exchange Fellowship资助赴新加坡南洋理工大学计算机科学与工程学院任访问学者。研究兴趣包括计算机图形学、计算机视觉、数值最优化算法等。现担任The Visual Computer期刊编委。